在实现类对象上，常用invoke和stream两种调用方法。invoke 会让大模型一次性返回完整响应对象，stream则逐Token输出内容片段。

 下面通过代码实战，带你彻底搞懂。首先打开命令行窗口，使用 pip 命令安装 LangChain和langchain-openai开发库。

pip install langchain langchain-openai

通过dotenv库的load_dotenv()方法，自动读取项目里的.env配置文件，把文件中所有键值对自动载入系统环境变量os.environ，后续可直接读取模型地址、密钥等配置，避免硬编码。

import os
from dotenv import load_dotenv
 
load_dotenv()

使用 LangChain 内置的init_chat_model初始化大模型，通过两个核心参数配置：model指定模型名称，model_provider指定模型对接厂商。

import os
from dotenv import load_dotenv
 
load_dotenv()
llm = init_chat_model(model="qwen3.6-plus", model_provider="openai")
print(type(llm))

当厂商参数设为openai时，底层会自动调用ChatOpenAI实现类，并从环境变量自动读取API密钥和接口地址。这里打印模型实例类型和请求基准地址，方便查看底层配置。

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
 
load_dotenv()
llm = init_chat_model(model="qwen3.6-plus", model_provider="openai")
print(type(llm))
print("base_url:", llm.root_client.base_url)

可以省略model_provider参数，直接在模型名称前加上厂商前缀，格式为厂商:模型名，一行代码即可完成大模型初始化，写法更简洁。

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
 
load_dotenv()
llm = init_chat_model(model="openai:qwen3.6-plus")
print(type(llm))
print("base_url:", llm.root_client.base_url)

大模型初始化完成后，使用invoke()方法发起对话请求。该方式会等待模型生成完整内容后，一次性返回全部结果。

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
 
load_dotenv()
llm = init_chat_model(model=os.getenv("MODEL"))
result = llm.invoke("你是谁呀？")
print(result)

想要实现打字机实时输出效果，改用stream()方法循环遍历模型返回内容。end=""保证文字连续不换行，flush=True强制即时打印，实现流畅的流式对话效果。

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
 
load_dotenv()
llm = init_chat_model(model=os.getenv("MODEL"))
for chunk in llm.stream("详细介绍AI大模型的应用"):
    if chunk.content:       
print(chunk.content, end="", flush=True)